新的 LiDAR 离群点检测方法提高了自动驾驶安全性

研究人员开发了一个名为相对能量学习 (REL) 的新框架，用于检测 3D LiDAR 点云中的离群点 (OOD) 对象，这是自动驾驶安全的关键任务。与以往在区分异常方面遇到困难的方法不同，REL 利用了分布内 (in-distribution) 和分布外 (out-of-distribution) 对数 (logits) 之间的能量差距来提高鲁棒性。为了克服训练期间 OOD 数据的缺乏，该团队引入了一种名为 Point Raise 的轻量级数据合成策略，该策略通过扰动现有点云来生成辅助异常。在 SemanticKITTI 和 STU 基准测试上的实验表明，REL 的性能显著优于现有方法。 AI

影响 通过提高在真实驾驶场景中对意外物体的检测能力，增强了自动驾驶汽车的安全性。

排序理由 该集群包含一篇详细介绍 LiDAR 点云中离群点检测新方法的 ist 论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• LiDAR
• Point Raise
• Relative Energy Learning
• SemanticKITTI
• Spotting the Unexpected (STU)
• Zizhao Li

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →